PROBABILISTYCZNE MODELE ZJAWISK PRZESTRZENNYCH W ROLNICTWIE
|
|
- Radosław Tomaszewski
- 5 lat temu
- Przeglądów:
Transkrypt
1 Inżynieria Rolnicza 5(114)/2009 PROBABILISTYCZNE MODELE ZJAWISK PRZESTRZENNYCH W ROLNICTWIE Andrzej Marciniak Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie Streszczenie. Niepewność, zarówno stochastyczna jak i epistemiczna, obecna w modelach zjawisk czaso-przestrzennych w rolnictwie uzasadnia zastosowanie metod probabilistycznych predykcji, wyjaśnianiu i aproksymacji obiektów przestrzennych. Z metodologicznego, obliczeniowego i inferencyjnego punktu widzenia odpowiednią technologią modelowania są tu sieci bayesowskie traktowane jako systemy reprezentacji wiedzy. W takim ujęciu modelowanie sprowadza się do translacji wiedzy z języka naturalnego na formalny i wykonywalny język sieci bayerowskich. Logiczną spójność i efektywność takiego rozumienia procesu modelowania pokazano na przykładzie budowy modelu aproksymacji i predykcji plonu pszenicy. Słowa kluczowe: systemy informacji przestrzennej (GIS), probabilistyczna predykcja i interpolacja obiektów przestrzennych, sieci bayesowskie Wstęp Już w latach 80-tych ubiegłego wieku rozważany był problem: czy obiekty biologiczne uczestniczące w rolniczych procesach produkcyjnych należy traktować indywidualnie czy też statystycznie. W latach 90-tych popularna stała się zasada speaking soil/plant/animal approach interpretowana jako potrzeba dostarczenia glebie, roślinom, zwierzętom tego czego potrzebują, wtedy kiedy potrzebują i w niezbędnej ilości (site specific treatment). Mniej więcej w tym samym czasie udostępniona została technologia globalnego pozycjonowania obiektów oraz pasywnego i aktywnego skanowania powierzchni Ziemi w różnych wymiarach przestrzeni informacyjnej. Technologie te zostały systemowo zintegrowane pod postacią GIS. Rolnictwo było jedną z pierwszych dziedzin zastosowań GIS. Jest tak dlatego, że obiekty uczestniczące w rolniczych procesach produkcyjnych charakteryzują się znaczną rozległością czasoprzestrzenną. Ilość informacji, ich precyzja w tym dokładna lokalizacja w czasie i przestrzeni uzyskiwana w systemach GIS sprawiły że zasada speaking plant approach stała się praktycznie wykonywalna pod postacią technologii rolnictwa precyzyjnego. Pozyskiwanie danych empirycznych dla systemów GIS i ich przetwarzanie jest kosztowne i dlatego stosuje się tu podejście statystyczne obejmujące próbkowanie, interpolację i aproksymację [Moller, Waagepetersen 2003]. Klasyczne metody próbkowania i interpolacji opracowane jeszcze w epoce przed GIS-owskiej mają charakter deterministyczny. Próbkowanie badanych obiektów i ich charakterystyk czasowo-przestrzennych odbywa się 193
2 Andrzej Marciniak zazwyczaj we wcześniej zaplanowanych, a zatem zdeterminowanych punktach pomiarowych. Finalnym produktem ma tu być mapa mierzonej charakterystyki. Wymaga to interpolacji pomiędzy punktami pomiarowymi, w węzach interpolacyjnych. W efekcie powstaje ciągła (być może z punktami nieciągłości) mapa mierzonej wielkości, na której nie ma rozróżnienia pomiędzy miejscami w których dokonano pomiaru a miejscami w których dokonano interpolacji. W miejscach takich mamy często do czynienia z praktycznie istotną niepewnością epistemiczną. Probabilistyczne modelowanie obiektów i zjawisk przestrzennych Celem referatu jest propozycja zastosowania probabilistycznego podejścia do problemu interpolacji i predykcji (aproksymacji) obiektów przestrzennych. Przyrodnicze, zwłaszcza biologiczne obiekty przestrzenne charakteryzują się kognitywną nieokreślonością zarówno co do ich granic zewnętrznych jak i wewnętrznego zróżnicowania charakterystyk przestrzennych i jako takie mogą być modelem matematycznej abstrakcji jaką są pola losowe [Dalang, Dozzi, Russo 2002]. Formalne podejście do modelowania pól losowych oparte jest na teorii stochastycznych równań różniczkowych cząstkowych. Jednak ze względu na wymóg obliczalności i jednoczesnej dokładności modeli ( lepsze przybliżone obliczenia na dokładnych modelach niż dokładne obliczenia na modelach przybliżonych ) proponuje się tu zastosowanie technologii sieci bayesowskich, [Gelman (i in.) 2003]. Język sieci bayesowskich charakteryzuje się dużą ekspresywnością i opartymi na logice mechanizmami wnioskowania, umożliwiającymi bogate i logicznie spójne wyjaśnianie zaobserwowanych faktów w kategoriach przyczynowo-skutkowych oraz przewidywanie logicznych konsekwencji różnych założeń modelowych. Ekspresywność języka i możliwość maszynowego uczenia na przykładach ma ważne znaczenie metodologiczne budowanie modeli staje się procesem translacji wiedzy wyrażonej w języku naturalnym na język formalny i wykonywalny, procesem poszerzonym o automatyczne wykrywanie prawidłowości (zależności) w danych empirycznych i ich modelowanie. Przykład Wartości interpolowane nie mogą być traktowane jako obciążone tą samą dozą niepewności co wartości zmierzone. Niepewność ta nawet wzrasta jeżeli wartości w punktach pomiarowych też są niepewne. Dlatego należy założyć, że wartość mierzonej wielkości w punkcie interpolacji może być co najwyżej znana z dokładnością do rozkładu prawdopodobieństwa (być może o bardzo małej wariancji). Na rysunku 1 przedstawiono sieć bayesowską reprezentującą problem interpolacji badanej wielkości w punkcie (i, j) w oparciu o znajomość rozkładu wartości pomiaru w sąsiednich punktach przy założeniu, że dokładna wartość w węzłach pomiarowych jest znana z dokładnością do rozkładu prawdopodobieństwa. Przykład wykonano w środowisku BayesiaLab - zaawansowanym systemie budowania modeli probabilistycznych w oparciu o procesy maszynowego uczenia na przykładach empirycznych i automatycznej inferencji [Bayesia (on-line) 2009]. 194
3 Probabilistyczne modele zjawisk... W prawej części okna (rys. 1) przedstawiono rozkłady prawdopodobieństwa nad zbiorem wartości zmiennych w węzłach pomiarowych i w konsekwencji w węźle interpolowanym. Rys. 1. Fig. 1. Wynik interpolacji plonu w węźle X ij jeżeli jego wysokość w branych pod uwagę węzłach sąsiednich jest znana z dokładnością do rozkładu prawdopodobieństwa Result X ij of yield interpolation in node (i, j) when yield in neighbouring nodes is known with accuracy to probability distribution Na rysunku 2 przedstawiono sytuację, w której wartości zmierzone, znane są dokładnie a pomimo tego, zgodnie z przewidywaniami, wartość w węźle interpolacyjnym jest zmienną losową ale o znacznie mniejszej wariancji. Sieci przedstawione na rysunkach 1 i 2 można określić jako interpolatory bayesowskie. Odpowiednikiem klasycznego modelu aproksymacyjnego jest sieć bayesowska przedstawiona na rysunku 3. Sieć tę można określić jako predyktor bayesowski. Służy ona do predykcji (podstawowy rodzaj wnioskowania bayesowskiego) wartości aproksymowanej wielkości zgodnie ze znanymi relacjami przyczynowo-skutkowymi. Inny rodzaj wnioskowania bayesowskiego od skutków do przyczyn, pokazano na rysunku 5. W tym przypadku zadajemy wysokość plonu i pytamy o lokalizację (z dokładnością do rozkładu prawdopodobieństwa) i inne atrybuty fragmentów pola o takim plonie. 195
4 Andrzej Marciniak Rys. 2. Fig. 2. Wynik interpolacji plonu w węźle X ij jeżeli jego wysokość w branych pod uwagę węzłach sąsiednich jest dokładnie znana Result X ij of yield interpolation in node (i, j) when yield in neighbouring nodes is exactly known Wejściem tej sieci są współrzędne punktu a wyjściem w tym przypadku predykcja plonu. Sieć ta ma warstwę pośrednią którą są zmienne reprezentujące czynniki mające udokumentowany związek przyczynowo skutkowy ze zmienną wynikową. Istotnym problemem jest wyznaczenie warunkowego rozkładu prawdopodobieństwa nad tymi zmiennymi. Problem rozwiązano w ten sposób, że wartości tych zmiennych dla danego pola i dla danego punktu na tym polu są wynikami klasyfikacji deterministycznego lub probabilistycznego klasyfikatora uczonego na przykładach. Ekspozycja, np. jest węzłem sieci ściśle deterministycznym natomiast klasa bonitacji jest węzłem reprezentującym klasyfikator bayesowski. Węzeł inne oznacza zmienną, której wartość true reprezentuje czynniki plonotwórcze natomiast wartość false czynniki niesprzyjające. Dodanie tego węzła ma związek z interpretacją prawdopodobieństwa bayesowskiego jako miary niepewności, której wartość aktualizowana jest poprzez fakty potwierdzające lub zaprzeczające. Warunkowy rozkład prawdopodobieństwa nad zmienną Plon otrzymywany jest bezpośrednio w procesie uczenia na danych empirycznych lub zadawany formułą reprezentującą w adekwatny sposób integrację informacji z węzłów poprzedzających. 196
5 Probabilistyczne modele zjawisk... Rys. 3. Fig. 3. Wynik predykcji plonu z dokładnością do rozkładu prawdopodobieństwa w nieokreślonym miejscu pola Result of yield prediction with accuracy to probability distribution, without specification of site coordinates Rys. 4. Fig. 4. Wynik predykcji plonu z dokładnością do rozkładu prawdopodobieństwa w określonym miejscu o współrzędnych x,y,z Result of yield prediction in site with exactly specified coordinates 197
6 Andrzej Marciniak Rys. 5. Fig. 5. Odpowiedź na pytanie o miejsca na polu, w których przewidywany plon przyjmie wartość z przedziału 7-8 t ha -1 The answer to the question about the places on the field where predicted yield is in the range of 7-8 t ha -1 Podsumowanie Poszerzona analiza źródeł i natury niepewności w systemach informacji przestrzennej jest dobrym uzasadnieniem zastosowania probabilistycznego podejścia do problemu interpolacji i predykcji (aproksymacji) obiektów przestrzennych. Z metodologicznego, obliczeniowego i inferencyjnego punktu widzenia proponuje się tu wykorzystanie technologii bayesowskich sieci probabilistycznych. Skuteczność tej technologii pokazano na przykładzie bayesowskiego interpolatora i predyktora plonu. Bibliografia Dalang R., Dozzi M., Russo F. (ed.) Seminar on Stochastic Analysis, Random Fields and Applications IV. Centro Stefano Franscini. Ascona. Brikhäuser (Progress in Probability) Gelman A. i in Bayesian Data Analysis. Chapman & Hall/CRC. Moller J., Waagepetersen R. P A Statistical Inference and Simulation for Spatial Point Processes. Monographs on Statistics and Applied Probability. Chapman & Hall/CRC Bayesia (on-line) BayesiaLab - Bayesian network software
7 Probabilistyczne modele zjawisk... PROBABILISTIC MODELS OF SPATIAL PHENOMENA IN AGRICULTURE Abstract. Uncertainty, both stochastic and epistemic, occurring in models of space-time phenomena in agriculture justifies application of probabilistic methods in predication, clarifying and approximation of spatial objects. From methodological, computational and inferential point of view, in this case proper modelling technologies include Bayesian networks treated as knowledge representation systems. From this perspective modelling comes down to translation of knowledge from natural language to formal and executable language of Bayesian networks. Logical coherence and effectiveness of this definition of modelling process is shown on the example of building a model of wheat crop approximation and prediction. Key words: GIS, probabilistic prediction and approximation of spatial objects, Bayesian networks Adres do korespondencji: Marciniak Andrzej; Andrzej.Marciniak@up.lublin.pl Katedra Podstaw Techniki Uniwersytet Przyrodniczy w Lublinie ul. Doświadczalna 50A Lublin 199
MODELOWANIE STANÓW CZYNNOŚCIOWYCH W JĘZYKU SIECI BAYESOWSKICH
Inżynieria Rolnicza 7(105)/2008 MODELOWANIE STANÓW CZYNNOŚCIOWYCH W JĘZYKU SIECI BAYESOWSKICH Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie Streszczenie. Zastosowanie sieci bayesowskiej
Bardziej szczegółowoPODSTAWOWE ZASADY MODELOWANIA PROCESU PRODUKCJI ROLNICZEJ
Inżynieria Rolnicza 1(126)/2011 PODSTAWOWE ZASADY MODELOWANIA PROCESU PRODUKCJI ROLNICZEJ Piotr Maksym Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie Streszczenie. W artykule przedstawione
Bardziej szczegółowoNIEPEWNOŚĆ W REPREZENTACJI ZJAWISK PRZESTRZENNYCH
Inżynieria Rolnicza 5(114)/2009 NIEPEWNOŚĆ W REPREZENTACJI ZJAWISK PRZESTRZENNYCH Andrzej Kusz, Andrzej Marciniak Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie Streszczenie. W artykule
Bardziej szczegółowoMODELOWANIE PROCESU EKSPLOATACJI OBIEKTÓW TECHNICZNYCH ZA POMOCĄ DYNAMICZNYCH SIECI BAYESOWSKICH
InŜynieria Rolnicza 12/2006 Grzegorz Bartnik, Andrzej Kusz, Andrzej W. Marciniak Katedra Podstaw Techniki Akademia Rolnicza w Lublinie MODELOWANIE PROCESU EKSPLOATACJI OBIEKTÓW TECHNICZNYCH ZA POMOCĄ DYNAMICZNYCH
Bardziej szczegółowoMODELOWANIE PROBLEMÓW DECYZYJNYCH W INTEGROWANYM SYSTEMIE PRODUKCJI ROLNICZEJ
Inżynieria Rolnicza 6(131)/2011 MODELOWANIE PROBLEMÓW DECYZYJNYCH W INTEGROWANYM SYSTEMIE PRODUKCJI ROLNICZEJ Hanna Hołaj Rolniczy Zakład Doświadczalny Jastków Sp. z o. o. Andrzej Kusz, Piotr Maksym, Andrzej
Bardziej szczegółowoKONCEPCJA ANKIETOWEGO POMIARU KULTURY BEZPIECZEŃSTWA PRACY
I N Ż YNIERIA R OLNICZA A GRICULTURAL E NGINEERING 2012: Z. 2(136) T. 1 S. 189-194 ISSN 1429-7264 Polskie Towarzystwo Inżynierii Rolniczej http://www.ptir.org KONCEPCJA ANKIETOWEGO POMIARU KULTURY BEZPIECZEŃSTWA
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoEtapy modelowania ekonometrycznego
Etapy modelowania ekonometrycznego jest podstawowym narzędziem badawczym, jakim posługuje się ekonometria. Stanowi on matematyczno-statystyczną formę zapisu prawidłowości statystycznej w zakresie rozkładu,
Bardziej szczegółowoNIEPEWNOŚĆ DANYCH PRZESTRZENNYCH W SYSTEMACH INFORMACJI GEOGRAFICZNEJ (GIS)
Acta Sci. Pol., Geodesia et Descriptio Terrarum 9(3) 2010, 3-12 NIEPEWNOŚĆ DANYCH PRZESTRZENNYCH W SYSTEMACH INFORMACJI GEOGRAFICZNEJ (GIS) Dariusz Felcenloben 1 Uniwersytet Przyrodniczy we Wrocławiu Starostwo
Bardziej szczegółowoIDENTYFIKACJA ATRYBUTÓW JAKO ETAP MODELOWANIA ERGONOMICZNEJ OCENY STANOWISK PRACY
Inżynieria Rolnicza 5(130)/2011 IDENTYFIKACJA ATRYBUTÓW JAKO ETAP MODELOWANIA ERGONOMICZNEJ OCENY STANOWISK PRACY Halina Pawlak, Piotr Maksym Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie
Bardziej szczegółowoMatematyka Stosowana na Politechnice Wrocławskiej. Komitet Matematyki PAN, luty 2017 r.
Matematyka Stosowana na Politechnice Wrocławskiej Komitet Matematyki PAN, luty 2017 r. Historia kierunku Matematyka Stosowana utworzona w 2012 r. na WPPT (zespół z Centrum im. Hugona Steinhausa) studia
Bardziej szczegółowoModelowanie ryzyka w transporcie
STOKŁOSA Józef 1 MARCINIAK Andrzej 2 Modelowanie ryzyka w transporcie WSTĘP Definiując wymagania stawiane systemom transportowym wyróżnia się między innymi takie ich cechy jak odporność (robustness) i
Bardziej szczegółowoWstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak
Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak 1 Wprowadzenie. Zmienne losowe Podczas kursu interesować nas będzie wnioskowanie o rozpatrywanym zjawisku. Poprzez wnioskowanie rozumiemy
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoPRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR. Wojciech Zieliński
PRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR Wojciech Zieliński Katedra Ekonometrii i Statystyki SGGW Nowoursynowska 159, PL-02-767 Warszawa wojtek.zielinski@statystyka.info
Bardziej szczegółowoWPŁYW TECHNICZNEGO UZBROJENIA PROCESU PRACY NA NADWYŻKĘ BEZPOŚREDNIĄ W GOSPODARSTWACH RODZINNYCH
Inżynieria Rolnicza 4(102)/2008 WPŁYW TECHNICZNEGO UZBROJENIA PROCESU PRACY NA NADWYŻKĘ BEZPOŚREDNIĄ W GOSPODARSTWACH RODZINNYCH Sławomir Kocira Katedra Eksploatacji Maszyn i Zarządzania w Inżynierii Rolniczej,
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoWPŁYW TEMPERATURY W POMIESZCZENIACH POMOCNICZYCH NA BILANS CIEPŁA W BUDYNKACH DLA BYDŁA
Inżynieria Rolnicza 8(96)/2007 WPŁYW TEMPERATURY W POMIESZCZENIACH POMOCNICZYCH NA BILANS CIEPŁA W BUDYNKACH DLA BYDŁA Tadeusz Głuski Katedra Melioracji i Budownictwa Rolniczego, Akademia Rolnicza w Lublinie
Bardziej szczegółowoPropensity Score Matching
Zajęcia 2 Plan dzisiejszych zajęć 1 Doświadczenia Idealne doświadczenie Nie-idealne doświadczenia 2 Idealne doświadczenie Nie-idealne doświadczenia Plan idealnego doświadczenia (eksperymentu) Plan doświadczenia
Bardziej szczegółowoMODELOWANIE SYNTEZY DZIAŁAŃ OCHRONNYCH W ROLNICZYM PROCESIE PRODUKCYJNYM
Inżynieria Rolnicza 4(129)/2011 MODELOWANIE SYNTEZY DZIAŁAŃ OCHRONNYCH W ROLNICZYM PROCESIE PRODUKCYJNYM Piotr Maksym, Andrzej W. Marciniak, Andrzej Kusz Katedra Podstaw Techniki, Uniwersytet Przyrodniczy
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowo1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie
Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty
Bardziej szczegółowoDOPASOWYWANIE KRZYWYCH
DOPASOWYWANIE KRZYWYCH Maciej Patan Uniwersytet Zielonogórski Motywacje Przykład 1. Dane o przyroście światowej populacji są aktualizowane co każde 10 lat, celem szacowania średniego przyrostu rocznego.
Bardziej szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
Bardziej szczegółowoSystemy uczące się wykład 1
Systemy uczące się wykład 1 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 5 X 2018 e-mail: przemyslaw.juszczuk@ue.katowice.pl Konsultacje: na stronie katedry + na stronie domowej
Bardziej szczegółowoKOMPUTEROWE WSPOMAGANIE CHEMICZNEJ OCHRONY ROŚLIN PRZY POMOCY PROGRAMU HERBICYD-2
Inżynieria Rolnicza 6(94)/2007 KOMPUTEROWE WSPOMAGANIE CHEMICZNEJ OCHRONY ROŚLIN PRZY POMOCY PROGRAMU HERBICYD-2 Michał Cupiał Katedra Inżynierii Rolniczej i Informatyki, Akademia Rolnicza w Krakowie Streszczenie.
Bardziej szczegółowoMetody Prognozowania
Wprowadzenie Ewa Bielińska 3 października 2007 Plan 1 Wprowadzenie Czym jest prognozowanie Historia 2 Ciągi czasowe Postępowanie prognostyczne i prognozowanie Predykcja długo- i krótko-terminowa Rodzaje
Bardziej szczegółowoWSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH
WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Bardziej szczegółowoWykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym
Wiesława MALSKA Politechnika Rzeszowska, Polska Anna KOZIOROWSKA Uniwersytet Rzeszowski, Polska Wykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym Wstęp Wnioskowanie statystyczne
Bardziej szczegółowoANALIZA OBCIĄŻEŃ JEDNOSTEK NAPĘDOWYCH DLA PRZESTRZENNYCH RUCHÓW AGROROBOTA
Inżynieria Rolnicza 7(105)/2008 ANALIZA OBCIĄŻEŃ JEDNOSTEK NAPĘDOWYCH DLA PRZESTRZENNYCH RUCHÓW AGROROBOTA Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie Streszczenie. W pracy przedstawiono
Bardziej szczegółowoKOMPUTEROWY MODEL UKŁADU STEROWANIA MIKROKLIMATEM W PRZECHOWALNI JABŁEK
Inżynieria Rolnicza 8(117)/2009 KOMPUTEROWY MODEL UKŁADU STEROWANIA MIKROKLIMATEM W PRZECHOWALNI JABŁEK Ewa Wachowicz, Piotr Grudziński Katedra Automatyki, Politechnika Koszalińska Streszczenie. W pracy
Bardziej szczegółowoZASTOSOWANIE APLIKACJI KOMPUTEROWEJ TRACE DO OCENY IDENTYFIKACJI OBIEKTÓW RUCHOMYCH
Inżynieria Rolnicza 2(100)/2008 ZASTOSOWANIE APLIKACJI KOMPUTEROWEJ TRACE DO OCENY IDENTYFIKACJI OBIEKTÓW RUCHOMYCH Joanna Rut, Katarzyna Szwedziak, Marek Tukiendorf Katedra Techniki Rolniczej i Leśnej,
Bardziej szczegółowo5. WNIOSKOWANIE PSYCHOMETRYCZNE
5. WNIOSKOWANIE PSYCHOMETRYCZNE Model klasyczny Gulliksena Wynik otrzymany i prawdziwy Błąd pomiaru Rzetelność pomiaru testem Standardowy błąd pomiaru Błąd estymacji wyniku prawdziwego Teoria Odpowiadania
Bardziej szczegółowoSTOCHASTYCZNY MODEL BEZPIECZEŃSTWA OBIEKTU W PROCESIE EKSPLOATACJI
1-2011 PROBLEMY EKSPLOATACJI 89 Franciszek GRABSKI Akademia Marynarki Wojennej, Gdynia STOCHASTYCZNY MODEL BEZPIECZEŃSTWA OBIEKTU W PROCESIE EKSPLOATACJI Słowa kluczowe Bezpieczeństwo, procesy semimarkowskie,
Bardziej szczegółowoWnioskowanie bayesowskie
Wnioskowanie bayesowskie W podejściu klasycznym wnioskowanie statystyczne oparte jest wyłącznie na podstawie pobranej próby losowej. Możemy np. estymować punktowo lub przedziałowo nieznane parametry rozkładów,
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowoMODELOWANIE SYSTEMU OCENY WARUNKÓW PRACY OPERATORÓW STEROWNI
Inżynieria Rolnicza 7(105)/2008 MODELOWANIE SYSTEMU OCENY WARUNKÓW PRACY OPERATORÓW STEROWNI Agnieszka Buczaj Zakład Fizycznych Szkodliwości Zawodowych, Instytut Medycyny Wsi w Lublinie Halina Pawlak Katedra
Bardziej szczegółowoSystemy ekspertowe - wiedza niepewna
Instytut Informatyki Uniwersytetu Śląskiego lab 8 Rozpatrzmy następujący przykład: Miażdżyca powoduje często zwężenie tętnic wieńcowych. Prowadzi to zazwyczaj do zmniejszenia przepływu krwi w tych naczyniach,
Bardziej szczegółowoKONCEPCJA METODYKI OCENY SIEWU ROZPROSZONEGO
Inżynieria Rolnicza 2(120)/2010 KONCEPCJA METODYKI OCENY SIEWU ROZPROSZONEGO Adam J. Lipiński Katedra Maszyn Roboczych i Procesów Separacji, Uniwersytet Warmińsko-Mazurski w Olsztynie Streszczenie. W pracy
Bardziej szczegółowoPrawdopodobieństwo czerwonych = = 0.33
Temat zajęć: Naiwny klasyfikator Bayesa a algorytm KNN Część I: Naiwny klasyfikator Bayesa Naiwny klasyfikator bayerowski jest prostym probabilistycznym klasyfikatorem. Naiwne klasyfikatory bayesowskie
Bardziej szczegółowoAnaliza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych sieci neuronowych 4
Wojciech Sikora 1 AGH w Krakowie Grzegorz Wiązania 2 AGH w Krakowie Maksymilian Smolnik 3 AGH w Krakowie Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych
Bardziej szczegółowoANALIZA WŁAŚCIWOŚCI FILTRU PARAMETRYCZNEGO I RZĘDU
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 78 Electrical Engineering 2014 Seweryn MAZURKIEWICZ* Janusz WALCZAK* ANALIZA WŁAŚCIWOŚCI FILTRU PARAMETRYCZNEGO I RZĘDU W artykule rozpatrzono problem
Bardziej szczegółowoPrzykład eksploracji danych o naturze statystycznej Próba 1 wartości zmiennej losowej odległość
Dwie metody Klasyczna metoda histogramu jako narzędzie do postawienia hipotezy, jaki rozkład prawdopodobieństwa pasuje do danych Indukcja drzewa decyzyjnego jako metoda wykrycia klasyfikatora ukrytego
Bardziej szczegółowow analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Bardziej szczegółowoEksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
Bardziej szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowoWykorzystanie testu Levene a i testu Browna-Forsythe a w badaniach jednorodności wariancji
Wydawnictwo UR 2016 ISSN 2080-9069 ISSN 2450-9221 online Edukacja Technika Informatyka nr 4/18/2016 www.eti.rzeszow.pl DOI: 10.15584/eti.2016.4.48 WIESŁAWA MALSKA Wykorzystanie testu Levene a i testu Browna-Forsythe
Bardziej szczegółowoMetody numeryczne. Sformułowanie zagadnienia interpolacji
Ćwiczenia nr 4. Sformułowanie zagadnienia interpolacji Niech będą dane punkty x 0,..., x n i wartości y 0,..., y n, takie że i=0,...,n y i = f (x i )). Szukamy funkcji F (funkcji interpolującej), takiej
Bardziej szczegółowoStatystyczna analiza awarii pojazdów samochodowych. Failure analysis of cars
Wydawnictwo UR 2016 ISSN 2080-9069 ISSN 2450-9221 online Edukacja Technika Informatyka nr 1/15/2016 www.eti.rzeszow.pl DOI: 10.15584/eti.2016.1.1 ROMAN RUMIANOWSKI Statystyczna analiza awarii pojazdów
Bardziej szczegółowoInformatyka I stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny) podstawowy (podstawowy / kierunkowy / inny HES)
KARTA MODUŁU / KARTA PRZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoWYBÓR PUNKTÓW POMIAROWYCH
Scientific Bulletin of Che lm Section of Technical Sciences No. 1/2008 WYBÓR PUNKTÓW POMIAROWYCH WE WSPÓŁRZĘDNOŚCIOWEJ TECHNICE POMIAROWEJ MAREK MAGDZIAK Katedra Technik Wytwarzania i Automatyzacji, Politechnika
Bardziej szczegółowoANALIZA WYDAJNOŚCI PRODUKCYJNEJ RODZINNEGO GOSPODARSTWA ROLNEGO PRZY POMOCY SIECI NEURONOWEJ
InŜynieria Rolnicza 12/2006 Katarzyna Siejka, Andrzej Tukiendorf Katedra Techniki Rolniczej i Leśnej Politechnika Opolska ANALIZA WYDAJNOŚCI PRODUKCYJNEJ RODZINNEGO GOSPODARSTWA ROLNEGO PRZY POMOCY SIECI
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoLISTA KURSÓW PLANOWANYCH DO URUCHOMIENIA W SEMESTRZE ZIMOWYM 2015/2016
LISTA KURSÓW PLANOWANYCH DO URUCHOMIENIA W SEMESTRZE ZIMOWYM 2015/2016 INFORMATYKA I STOPNIA studia stacjonarne 1 sem. PO-W08-INF- - -ST-Ii-WRO-(2015/2016) MAP003055W Algebra z geometrią analityczną A
Bardziej szczegółowoODWZOROWANIE RZECZYWISTOŚCI
ODWZOROWANIE RZECZYWISTOŚCI RZECZYWISTOŚĆ RZECZYWISTOŚĆ OBIEKTYWNA Ocena subiektywna OPIS RZECZYWISTOŚCI Odwzorowanie rzeczywistości zależy w dużej mierze od możliwości i nastawienia człowieka do otoczenia
Bardziej szczegółowoSTATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie
STATYSTYKA OD PODSTAW Z SYSTEMEM SAS wersja 9.2 i 9.3 Szkoła Główna Handlowa w Warszawie Spis treści Wprowadzenie... 6 1. Podstawowe informacje o systemie SAS... 9 1.1. Informacje ogólne... 9 1.2. Analityka...
Bardziej szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowoOpis efektów kształcenia dla programu kształcenia (kierunkowe efekty kształcenia) WIEDZA. rozumie cywilizacyjne znaczenie matematyki i jej zastosowań
TABELA ODNIESIEŃ EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA PROGRAMU KSZTAŁCENIA DO EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA OBSZARU KSZTAŁCENIA I PROFILU STUDIÓW PROGRAM KSZTAŁCENIA: POZIOM KSZTAŁCENIA: PROFIL KSZTAŁCENIA:
Bardziej szczegółowoSYMULACJA RYZYKA CZASOWO-KOSZTOWEGO PRZEDSIĘWZIĘĆ NA TLE METODY PERT/COST
Dr inż. Tomasz WIATR Politechnika Poznańska SYMULACJA RYZYKA CZASOWO-KOSZTOWEGO PRZEDSIĘWZIĘĆ NA TLE METODY PERT/COST Słowa kluczowe: PERT/cost, symulacja Monte Carlo, Pertmaster Streszczenie Referat stanowi
Bardziej szczegółowoZałącznik nr 8. do Studium Wykonalności projektu Sieć Szerokopasmowa Polski Wschodniej województwo podkarpackie
MINISTERSTWO ROZWOJU REGIONALNEGO Załącznik nr 8 do Studium Wykonalności projektu Sieć Szerokopasmowa Polski Wschodniej Instrukcja obliczania wskaźnika pokrycia. Strona 2 z 24 Studium Wykonalności projektu
Bardziej szczegółowoZASTOSOWANIE MIKROPROCESOROWEGO REJESTRATORA DO POMIARU TEMPERATURY W PIECU KONWEKCYJNO-PAROWYM
Inżynieria Rolnicza 7(105)/2008 ZASTOSOWANIE MIKROPROCESOROWEGO REJESTRATORA DO POMIARU TEMPERATURY W PIECU KONWEKCYJNO-PAROWYM Beata Ślaska-Grzywna Katedra Inżynierii i Maszyn Spożywczych, Uniwersytet
Bardziej szczegółowoInterpolacja i modelowanie krzywych 2D i 3D
Interpolacja i modelowanie krzywych 2D i 3D Dariusz Jacek Jakóbczak Politechnika Koszalińska Wydział Elektroniki i Informatyki Zakład Podstaw Informatyki i Zarządzania e-mail: Dariusz.Jakobczak@tu.koszalin.pl
Bardziej szczegółowoEFEKTY UCZENIA SIĘ DLA KIERUNKU INŻYNIERIA DANYCH W ODNIESIENIU DO EFEKTÓW UCZENIA SIĘ PRK POZIOM 6
EFEKTY UCZENIA SIĘ DLA KIERUNKU INŻYNIERIA DANYCH W ODNIESIENIU DO EFEKTÓW UCZENIA SIĘ PRK POZIOM 6 studia pierwszego stopnia o profilu ogólnoakademickim Symbol K_W01 Po ukończeniu studiów pierwszego stopnia
Bardziej szczegółowoModelowanie niezawodności prostych struktur sprzętowych
Modelowanie niezawodności prostych struktur sprzętowych W ćwiczeniu tym przedstawione zostaną proste struktury sprzętowe oraz sposób obliczania ich niezawodności przy założeniu, że funkcja niezawodności
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoAnaliza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoZintegrowany proces podejmowania decyzji w zakresie bezpieczeństwa instalacji procesowych
Zintegrowany proces podejmowania decyzji w zakresie bezpieczeństwa instalacji procesowych M. Borysiewicz, K. Kowal, S. Potempski Narodowe Centrum Badań Jądrowych, Otwock-Świerk XI Konferencja Naukowo-Techniczna
Bardziej szczegółowoSTRESZCZENIE. rozprawy doktorskiej pt. Zmienne jakościowe w procesie wyceny wartości rynkowej nieruchomości. Ujęcie statystyczne.
STRESZCZENIE rozprawy doktorskiej pt. Zmienne jakościowe w procesie wyceny wartości rynkowej nieruchomości. Ujęcie statystyczne. Zasadniczym czynnikiem stanowiącym motywację dla podjętych w pracy rozważań
Bardziej szczegółowoSposoby opisu i modelowania zakłóceń kanałowych
INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Podstawy Telekomunikacji Sposoby opisu i modelowania zakłóceń kanałowych Warszawa 2010r. 1. Cel ćwiczeń: Celem ćwiczeń
Bardziej szczegółowoZASTOSOWANIE SPLOTU FUNKCJI DO OPISU WŁASNOŚCI NIEZAWODNOŚCIOWYCH UKŁADÓW Z REZERWOWANIEM
1-2011 PROBLEMY EKSPLOATACJI 205 Zbigniew ZDZIENNICKI, Andrzej MACIEJCZYK Politechnika Łódzka, Łódź ZASTOSOWANIE SPLOTU FUNKCJI DO OPISU WŁASNOŚCI NIEZAWODNOŚCIOWYCH UKŁADÓW Z REZERWOWANIEM Słowa kluczowe
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
Zał. nr 1 do Programu kształcenia KIERUNKOWE EFEKTY KSZTAŁCENIA WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INŻYNIERIA SYSTEMÓW Stopień studiów: STUDIA II STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR
Bardziej szczegółowokomputery? Andrzej Skowron, Hung Son Nguyen Instytut Matematyki, Wydział MIM, UW
Czego moga się nauczyć komputery? Andrzej Skowron, Hung Son Nguyen son@mimuw.edu.pl; skowron@mimuw.edu.pl Instytut Matematyki, Wydział MIM, UW colt.tex Czego mogą się nauczyć komputery? Andrzej Skowron,
Bardziej szczegółowoInŜynieria Rolnicza 14/2005. Streszczenie
Michał Cupiał Katedra InŜynierii Rolniczej i Informatyki Akademia Rolnicza w Krakowie PROGRAM WSPOMAGAJĄCY NAWOśENIE MINERALNE NAWOZY 2 Streszczenie Przedstawiono program Nawozy 2 wspomagający nawoŝenie
Bardziej szczegółowoSztuczna Inteligencja w medycynie projekt (instrukcja) Bożena Kostek
Sztuczna Inteligencja w medycynie projekt (instrukcja) Bożena Kostek Cel projektu Celem projektu jest przygotowanie systemu wnioskowania, wykorzystującego wybrane algorytmy sztucznej inteligencji; Nabycie
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoAnaliza zawartości dokumentów za pomocą probabilistycznych modeli graficznych
Analiza zawartości dokumentów za pomocą probabilistycznych modeli graficznych Probabilistic Topic Models Jakub M. TOMCZAK Politechnika Wrocławska, Instytut Informatyki 30.03.2011, Wrocław Plan 1. Wstęp
Bardziej szczegółowoODWZOROWANIE PRZEBIEGU PULSACJI METODAMI SZTUCZNEJ INTELIGENCJI
Inżynieria Rolnicza 9(107)/2008 ODWZOROWANIE PRZEBIEGU PULSACJI METODAMI SZTUCZNEJ INTELIGENCJI Katedra Energetyki Rolniczej, Uniwersytet Rolniczy w Krakowie Streszczenie. Przedstawiono metodykę odwzorowania
Bardziej szczegółowoWYNIKI BADAŃ WARTOŚCIOWANIA PROCESU OBSŁUGI TECHNICZNEJ CIĄGNIKÓW ROLNICZYCH O RÓŻNYM POZIOMIE WYKORZYSTANIA
Problemy Inżynierii Rolniczej nr 4/2009 Zenon Grześ Instytut Inżynierii Rolniczej Uniwersytet Przyrodniczy w Poznaniu WYNIKI BADAŃ WARTOŚCIOWANIA PROCESU OBSŁUGI TECHNICZNEJ CIĄGNIKÓW ROLNICZYCH O RÓŻNYM
Bardziej szczegółowoSzacowanie ryzyka z wykorzystaniem zmiennej losowej o pramatkach rozmytych w oparciu o język BPFPRAL
Szacowanie ryzyka z wykorzystaniem zmiennej losowej o pramatkach rozmytych w oparciu o język BPFPRAL Mgr inż. Michał Bętkowski, dr inż. Andrzej Pownuk Wydział Budownictwa Politechnika Śląska w Gliwicach
Bardziej szczegółowoINTERPOLACJA I APROKSYMACJA FUNKCJI
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Wprowadzenie Na czym polega interpolacja? Interpolacja polega
Bardziej szczegółowoZAGADNIENIE METODY OCENY DOKŁADNOŚCI CYFROWYCH MODELI TERENU W ASPEKCIE IMPLEMENTACJI EUROPEJSKIEJ DYREKTYWY INSPIRE
JERZY WYSOCKI ZAGADNIENIE METODY OCENY DOKŁADNOŚCI CYFROWYCH MODELI TERENU W ASPEKCIE IMPLEMENTACJI EUROPEJSKIEJ DYREKTYWY INSPIRE PROBLEM OF METHOD OF ESTIMATION OF ACCURACY OF THE DIGITAL TERRAIN MODELS
Bardziej szczegółowoLABORATORIUM Z FIZYKI
LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)
Bardziej szczegółowoPOISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH
POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH Barbara Popowska bpopowsk@math.put.poznan.pl Politechnika Poznańska http://www.put.poznan.pl/ PROGRAM REFERATU 1. WPROWADZENIE 2. GRAF JAKO MODEL
Bardziej szczegółowoPrzedmiot statystyki. Graficzne przedstawienie danych. Wykład-26.02.07. Przedmiot statystyki
Przedmiot statystyki. Graficzne przedstawienie danych. Wykład-26.02.07 Statystyka dzieli się na trzy części: Przedmiot statystyki -zbieranie danych; -opracowanie i kondensacja danych (analiza danych);
Bardziej szczegółowoSYSTEM OCENY RYZYKA W PROCESIE PRODUKCJI WYROBU MEDYCZNEGO
Postępy Nauki i Techniki nr 12, 2012 Grzegorz Bartnik *, Grzegorz Kalbarczyk *, Andrzej Marciniak * SYSTEM OCENY RYZYKA W PROCESIE PRODUKCJI WYROBU MEDYCZNEGO Streszczenie. Ogólne regulacje zawarte w normie
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 4 Modelowanie niezawodności prostych struktur sprzętowych Prowadzący: mgr inż. Marcel Luzar Cel
Bardziej szczegółowoZmienność wiatru w okresie wieloletnim
Warsztaty: Prognozowanie produktywności farm wiatrowych PSEW, Warszawa 5.02.2015 Zmienność wiatru w okresie wieloletnim Dr Marcin Zientara DCAD / Stermedia Sp. z o.o. Zmienność wiatru w różnych skalach
Bardziej szczegółowoPRZESTRZENNY MODEL PRZENOŚNIKA TAŚMOWEGO MASY FORMIERSKIEJ
53/17 ARCHIWUM ODLEWNICTWA Rok 2005, Rocznik 5, Nr 17 Archives of Foundry Year 2005, Volume 5, Book 17 PAN - Katowice PL ISSN 1642-5308 PRZESTRZENNY MODEL PRZENOŚNIKA TAŚMOWEGO MASY FORMIERSKIEJ J. STRZAŁKO
Bardziej szczegółowoKoncepcja pomiaru i wyrównania przestrzennych ciągów tachimetrycznych w zastosowaniach geodezji zintegrowanej
Koncepcja pomiaru i wyrównania przestrzennych ciągów tachimetrycznych w zastosowaniach geodezji zintegrowanej Krzysztof Karsznia Leica Geosystems Polska XX Jesienna Szkoła Geodezji im Jacka Rejmana, Polanica
Bardziej szczegółowoBADANIA ZRÓŻNICOWANIA RYZYKA WYPADKÓW PRZY PRACY NA PRZYKŁADZIE ANALIZY STATYSTYKI WYPADKÓW DLA BRANŻY GÓRNICTWA I POLSKI
14 BADANIA ZRÓŻNICOWANIA RYZYKA WYPADKÓW PRZY PRACY NA PRZYKŁADZIE ANALIZY STATYSTYKI WYPADKÓW DLA BRANŻY GÓRNICTWA I POLSKI 14.1 WSTĘP Ogólne wymagania prawne dotyczące przy pracy określają m.in. przepisy
Bardziej szczegółowoMatematyka. Wzornictwo Przemysłowe I stopień ogólno akademicki studia stacjonarne wszystkie specjalności Katedra Matematyki dr Monika Skóra
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Matematyka Nazwa modułu w języku angielskim Mathematics Obowiązuje od roku
Bardziej szczegółowoNewton vs. Lagrange - kto lepszy?
Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Katedra Analizy Matematycznej Agnieszka Rydzyńska nr albumu: 254231 Praca Zaliczeniowa z Seminarium Newton vs. Lagrange - kto lepszy? Opiekun
Bardziej szczegółowoPrzedmiot statystyki. Graficzne przedstawienie danych.
Przedmiot statystyki. Graficzne przedstawienie danych. dr Mariusz Grządziel 23 lutego 2009 Przedmiot statystyki Statystyka dzieli się na trzy części: -zbieranie danych; -opracowanie i kondensacja danych
Bardziej szczegółowoROZKŁAD POPRZECZNY CIECZY DLA ROZPYLACZY SYNGENTA POTATO NOZZLE
Inżynieria Rolnicza 9(97)/2007 ROZKŁAD POPRZECZNY CIECZY DLA ROZPYLACZY SYNGENTA POTATO NOZZLE Adam Lipiński, Dariusz Choszcz, Stanisław Konopka Katedra Maszyn Roboczych i Procesów Separacji, Uniwersytet
Bardziej szczegółowoUczenie sieci neuronowych i bayesowskich
Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowo